深度学习2-pyTorch学习-张量基本操作
张量的索引
如果A是一个矩阵，在matlab中我们取出来A矩阵的第m行n列的元素，可以用A(m,n)。取出来第i行的元素可以用A(i,:)，取出来第i列的元素，可以用A(:,i)。而对于pytorch中的张量，它的索引略有不同：
import torch tensor = torch.tensor([[1,2,3],[4,5,6]],dtype = torch.float32) print("原始张量:\n",tensor) #1. ** 索引和切片操作** print("获取第一行：",tensor[0]) print("获取第一行第一列的元素：",tensor[0,0]) print("获取第二列的所有元素：",tensor[:,1]) print("获取第一行的另外一种方法：",tensor[0,:]) #pytorch中tensor的索引是从0开始的打印出来的：
原始张量: tensor([[1., 2., 3.], [4., 5., 6.]]) 获取第一行： tensor([1., 2., 3.]) 获取第一行第一列的元素： tensor(1.) 获取第二列的所有元素： tensor([2., 5.]) 获取第一行的另外一种方法： tensor([1., 2., 3.])可以发现，pytorch中的张量的索引默认是从0开始的，例如，我们取矩阵的第1行，就是tensor.[0,:]当然也可以不写冒号，那就是tensor[0]。其次我们可以发现，pytorch中对张量索引的格式是tensor[]，采用的是方括号，而不是matlab中的圆括号。
print("张量的最大值:",tensor.max()) print("张量的最大值:",torch.max(tensor)) print("张量的最小值:",tensor.min()) print("张量的均值:",tensor.mean()) maxId = torch.argmax(tensor) print("张量的最大值的索引",maxId) minId = torch.argmin(tensor) print("张量的最小值索引：",minId) max_indices = torch.where(tensor == tensor.max()) print(f"最大值位置 (行, 列): {max_indices}")张量形状变换
#2. ** 形状变换操作 ** print("\n [形状变换]") reshaped = tensor.view(3,2) # 改变张量形状为3X2，即3行两列 print("改变形状后的张量：\n",reshaped) flattenedTensor = tensor.flatten() # 将张量展平成一维 print("展平后的张量：\n",flattenedTensor)tensor.view(M,N)可以将张量变为M行N列。注意张量形状改变前后的总元素数量必须一样，否则会报错，例如原来的张量是2X3，那么可以改变为3X2，但是不能变为3X4，例如以下程序：
print("\n [形状变换]") reshaped = tensor.view(3,4) # 改变张量形状 print("改变形状后的张量：\n",reshaped)输出如下：
reshaped = tensor.view(3,4) # 改变张量形状为3X2，即3行两列 RuntimeError: shape '[3, 4]' is invalid for input of size 6张量的基本运算
加减乘求和，这些基本运算就是所有运算的基础，操作起来没什么说的
#3. ** 张量的数学运算 ** print("张量的数学运算：\n") tensorAdd = tensor + 10; print("张量加10：\n",tensorAdd) tensorMul = tensor * 2 # 张量乘法 print("张量乘2：\n",tensorMul) tensorDot = tensor.sum() print("张量元素求和：",tensorDot)pytorch的张量，默认的保存格式都是float型，例如，上面我们原始的张量的输入是整数，但最终打印出来的数都带着个小数点，这就在提示我们，它将数据作为浮点型进行了保存。
矩阵的乘法
#4. ** 与其他张量的操作 ** print("\n[与其他张量操作]") tensor2 = torch.ones(3,2) print("另一个张量：\n",tensor2) tensorDot = torch.matmul(tensor,tensor2) print("张量的矩阵乘法：\n",tensorDot)这个没什么好所的，就是矩阵乘法罢了。
条件判断
# 5.** 条件判断和筛选 ** print("\n [条件判断和筛选]") mask = tensor > 3 # 判断一个布尔掩码 print("大于3的元素的布尔掩码：\n", mask) filterTensor = tensor[tensor > 3] # 筛选出符合条件的元素 print("大于3的元素：\n",filterTensor)